Вверх
  • Sony выпускает многослойную матрицу 1 Мп со слежением за объектами при 1000 кадр/с
  • Калифорнийские учёные разработали и опробовали концепт безобъективной камеры
  • CEA-Leti представил полнофункциональную изогнутую полнокадровую матрицу 20 Мп
  • «Вычислительный зум» от NVIDIA позволяет изменять перспективу при пост-обработке
  • Panasonic представил прозрачный телевизор и смарт-колонку с Hi-Fi-звуком
  • Нейронная сеть улучшает повреждённые снимки без предварительного обучения
  • Banner 80x80 02 779bbaa679dc6b7f4c049292657342c566f6285974b656e2652cf5dfbf093090

Нейронная сеть улучшает повреждённые снимки без предварительного обучения

Обсудить

Нейронные сети становятся всё более многообещающим инструментом для восстановления повреждённых, а также имеющих низкое разрешение, изображений. Некоторые из этих систем открыты для публики, например, Let’s Enhance, другие – пока только осторожно демонстрируются в научных кругах. Технология Deep Image Prior, о которой мы хотим рассказать, отличается от большинства других. Здесь не нужно предварительно «обучать» систему, скармливая ей тысячи типовых снимков, чтобы она могла натренироваться и «набрать форму». Алгоритм Deep Image Prior воссоздаёт первоначальный вид повреждённого изображения, исходя лишь из той информации, которая содержится в нём.

1. Устранение артефактов JPEG.
2. Восстановление утраченного участка.

1. Устранение артефактов JPEG.
2. Восстановление утраченного участка.

В статье, посвящённой алгоритму Deep Image Prior, разработчики поясняют:

«В этой работе мы показываем, что, вопреки ожиданиям, большая часть статистических данных об изображении собирается структурой свёрточного генератора изображения, а не с помощью некоей способности к обучению. Это особенно справедливо в отношении статистики, необходимой для решения различных проблем восстановления изображений, где предыдущее изображение необходимо для интеграции информации, потерянной в процессе деградации».

Чтобы продемонстрировать это, команда разработчиков с помощью нетренированной глубокой свёрточной нейронной сети обрабатывала одиночное деградированное изображение. Статья описывает ситуацию как «очень простое формулирование», когда можно восстанавливать потерянные участки, уменьшать шум и увеличивать разрешение деградированного изображения без необходимости заранее «тренировать» сеть на тысячах типовых изображений. По существу, так работает более сложная, использующая элементы искусственного интеллекта, версия инструмента Content Aware Fill, названная «Deep Fill», которую недавно демонстрировал Adobe.

Разработчики предоставили образцы изображений, обработанных алгоритмами Deep Image Prior, в том числе такие, где были устранены артефакты компрессии JPEG, снижен шум, повышено разрешение, восстановлены потерянные участки изображения путём «закрашивания». Система способна также убирать наложенный на изображение текст (что вызывает озабоченность по поводу копирайтов).

Испорченное изображение

Испорченное изображение

Восстановление с помощью Deep Image Prior

Восстановление с помощью Deep Image Prior

Хотя Deep Image Prior работает пока не идеально, показанные примеры производят впечатление. Вероятно, в ближайшем будущем будет появляться всё больше подобных инструментов для широкого круга пользователей.

Испорченное изображение

Испорченное изображение

Восстановление с помощью Deep Image Prior

Восстановление с помощью Deep Image Prior

Философский вопрос – хорошо ли это? – остаётся открытым. Одни считают, что автоматические инструменты облегчат работу ретушёра; другие опасаются, что в результате такой автоматизации и вовсе потеряют работу, как это уже случается во многих отраслях.

Испорченное изображение

Испорченное изображение

Восстановление с помощью Deep Image Prior

Восстановление с помощью Deep Image Prior


Опубликовано: 07.12.2017

Обсудить

Новинки

46d48273 8955 4971 a438 31585ddc0be4